Gemma 3 12B IT ialah model bahasa penglihatan bersaiz 12B daripada Google yang ditala untuk arahan. Model ini tergolong dalam keluarga Gemma 3, yang menggabungkan penjanaan teks dengan pemahaman imej dan latihan berbilang bahasa. Akhiran IT memilih titik semak yang mengikuti arahan, bukannya model pralatihan. Hasilnya ialah teks: penerangan, ringkasan, jawapan, draf atau kod yang diperoleh daripada bahan bertulis dan visual dalam permintaan.
Model 12B mempunyai konteks 128K token keluarga tersebut untuk input dan respons yang dijana. Output menggunakan bahagian yang berbaki selepas permintaan; kad model tidak memberikan tetingkap output 128K kedua yang bebas. Paparan imej asas dinormalkan kepada 896×896 dan setiap satunya diwakili oleh 256 token visual. Semasa menyediakan koleksi halaman, kekalkan pengecam halaman dan peruntukkan ruang untuk hasil. Tanyakan soalan khusus tentang kandungan yang berkaitan, daripada bergantung pada tetingkap besar untuk memilih isu yang betul secara automatik.
Pembuat melaporkan 12 trilion token pralatihan untuk saiz ini. Bahan latihan merangkumi dokumen web berbilang bahasa, kod, matematik dan imej, dengan liputan lebih daripada 140 bahasa dalam keluarga tersebut. Laporan menerangkan penyulingan pengetahuan dan kaedah penalaan arahan yang ditambah baik dengan pembelajaran pengukuhan. Peringkat tersebut menyasarkan kegunaan respons, penaakulan matematik dan kod, pematuhan arahan serta interaksi berbilang bahasa. Belanjawan latihan dan identiti titik semak yang berbeza sahaja tidak menentukan kualiti jawapan tertentu, jadi bandingkan output dengan tugas sumber.
Seni bina menggunakan transformer penyahkod sahaja dengan perhatian pertanyaan terkumpul dan corak berulang lima lapisan perhatian setempat bagi setiap satu lapisan global. Lapisan setempat menggunakan rentang 1,024 token, manakala perhatian global menyokong konteks yang lebih panjang. Pengekod penglihatan SigLIP yang dikongsi oleh model 4B, 12B dan 27B menukar imej kepada perwakilan yang digunakan oleh model bahasa. Pentoken SentencePiece mengekalkan ruang putih, memisahkan digit dan merangkumi pengekodan peringkat bait. Ini berkaitan apabila pemformatan kod, tatatanda berangka atau teks berbilang bahasa perlu dikekalkan.
Aliran kerja penglihatan turut merangkumi Pan and Scan: pemotongan adaptif yang tidak bertindih membantu mengekalkan kandungan daripada sumber lebar atau beresolusi tinggi sebelum setiap paparan memasuki pengekod beresolusi tetap. Paparan tambahan mengubah bahan yang diproses. Untuk dokumen teknikal, berikan halaman yang boleh dibaca dan, jika perlu, paparan jelas jadual atau rajah yang ditanyakan. Kekalkan takrif unit, simbol atau lajur di sekelilingnya supaya bacaan visual setempat tidak kehilangan maknanya.
Format prom asal IT menggunakan giliran pengguna dan model tanpa peranan sistem berasingan. Letakkan peranan yang dikehendaki, peraturan respons dan tugas dalam prom pengguna awal, menggunakan pemformat atau pemproses yang ditetapkan untuk perbualan sebenar. Permintaan analisis dokumen asal boleh membandingkan dua huraian prosedur, mengembalikan jadual keperluan yang sepadan dan mengenal pasti sebarang percanggahan. Labelkan sumber, nyatakan keperluan yang diberi keutamaan dan minta model memisahkan fakta yang dibekalkan daripada tafsirannya.
Kegunaan yang dimaksudkan dalam kad pembuat merangkumi peringkasan, bantuan perbualan, pengekstrakan data imej, penulisan dan pembelajaran. Untuk penerangan berbilang bahasa, berikan pembaca sasaran, istilah dan tahap perincian. Untuk soalan imej, kenal pasti objek atau hubungan yang hendak dibincangkan dan minta pemerhatian yang menyokong jawapan akhir. Untuk kod, sertakan fungsi sebenar dan tingkah laku yang dijangkakan; hasil boleh mencadangkan pelaksanaan, manakala aplikasi berasingan mesti menjalankan dan menyemaknya. Laporan menerbitkan varian keluarga terkuantisasi secara berasingan, jadi identiti 12B IT ini tidak sepatutnya digantikan secara senyap dengan titik semak terkuantisasi lain semasa merekodkan hasil.
Pembuat mengenal pasti batasan daripada liputan latihan, ketidaktepatan fakta, nuansa bahasa dan tugas terbuka yang kompleks. Google juga mengingatkan bahawa corak bahasa yang munasabah boleh menghasilkan jawapan yang terlepas kekangan dunia sebenar dalam kehidupan harian. Butiran visual kecil boleh hilang atau tersalah baca, dan input panjang masih memerlukan keutamaan yang jelas. Simpan halaman asal, semak label dan kuantiti yang diekstrak, serta sahkan sebarang teks yang diminta dalam bentuk kelihatan berstruktur sebelum menggunakannya sebagai data. Nilai model 12B IT yang tepat pada soalan dan bahasa yang mewakili kegunaan. Artifak akhir yang berguna menyatakan jawapan berasaskan sumber, penaakulan yang diperlukan untuk memahaminya dan ketidakpastian yang berbaki, tanpa menganggap penerangan terjana sebagai tindakan alat yang telah selesai atau carian pengetahuan secara langsung.
", "aboutText": "Gemma 3 12B IT ialah model bahasa penglihatan bersaiz 12B daripada Google yang ditala untuk arahan. Model ini tergolong dalam keluarga Gemma 3, yang menggabungkan penjanaan teks dengan pemahaman imej dan latihan berbilang bahasa. Akhiran IT memilih titik semak yang mengikuti arahan, bukannya model pralatihan. Hasilnya ialah teks: penerangan, ringkasan, jawapan, draf atau kod yang diperoleh daripada bahan bertulis dan visual dalam permintaan.\n\nModel 12B mempunyai konteks 128K token keluarga tersebut untuk input dan respons yang dijana. Output menggunakan bahagian yang berbaki selepas permintaan; kad model tidak memberikan tetingkap output 128K kedua yang bebas. Paparan imej asas dinormalkan kepada 896×896 dan setiap satunya diwakili oleh 256 token visual. Semasa menyediakan koleksi halaman, kekalkan pengecam halaman dan peruntukkan ruang untuk hasil. Tanyakan soalan khusus tentang kandungan yang berkaitan, daripada bergantung pada tetingkap besar untuk memilih isu yang betul secara automatik.\n\nPembuat melaporkan 12 trilion token pralatihan untuk saiz ini. Bahan latihan merangkumi dokumen web berbilang bahasa, kod, matematik dan imej, dengan liputan lebih daripada 140 bahasa dalam keluarga tersebut. Laporan menerangkan penyulingan pengetahuan dan kaedah penalaan arahan yang ditambah baik dengan pembelajaran pengukuhan. Peringkat tersebut menyasarkan kegunaan respons, penaakulan matematik dan kod, pematuhan arahan serta interaksi berbilang bahasa. Belanjawan latihan dan identiti titik semak yang berbeza sahaja tidak menentukan kualiti jawapan tertentu, jadi bandingkan output dengan tugas sumber.\n\nSeni bina menggunakan transformer penyahkod sahaja dengan perhatian pertanyaan terkumpul dan corak berulang lima lapisan perhatian setempat bagi setiap satu lapisan global. Lapisan setempat menggunakan rentang 1,024 token, manakala perhatian global menyokong konteks yang lebih panjang. Pengekod penglihatan SigLIP yang dikongsi oleh model 4B, 12B dan 27B menukar imej kepada perwakilan yang digunakan oleh model bahasa. Pentoken SentencePiece mengekalkan ruang putih, memisahkan digit dan merangkumi pengekodan peringkat bait. Ini berkaitan apabila pemformatan kod, tatatanda berangka atau teks berbilang bahasa perlu dikekalkan.\n\nAliran kerja penglihatan turut merangkumi Pan and Scan: pemotongan adaptif yang tidak bertindih membantu mengekalkan kandungan daripada sumber lebar atau beresolusi tinggi sebelum setiap paparan memasuki pengekod beresolusi tetap. Paparan tambahan mengubah bahan yang diproses. Untuk dokumen teknikal, berikan halaman yang boleh dibaca dan, jika perlu, paparan jelas jadual atau rajah yang ditanyakan. Kekalkan takrif unit, simbol atau lajur di sekelilingnya supaya bacaan visual setempat tidak kehilangan maknanya.\n\nFormat prom asal IT menggunakan giliran pengguna dan model tanpa peranan sistem berasingan. Letakkan peranan yang dikehendaki, peraturan respons dan tugas dalam prom pengguna awal, menggunakan pemformat atau pemproses yang ditetapkan untuk perbualan sebenar. Permintaan analisis dokumen asal boleh membandingkan dua huraian prosedur, mengembalikan jadual keperluan yang sepadan dan mengenal pasti sebarang percanggahan. Labelkan sumber, nyatakan keperluan yang diberi keutamaan dan minta model memisahkan fakta yang dibekalkan daripada tafsirannya.\n\nKegunaan yang dimaksudkan dalam kad pembuat merangkumi peringkasan, bantuan perbualan, pengekstrakan data imej, penulisan dan pembelajaran. Untuk penerangan berbilang bahasa, berikan pembaca sasaran, istilah dan tahap perincian. Untuk soalan imej, kenal pasti objek atau hubungan yang hendak dibincangkan dan minta pemerhatian yang menyokong jawapan akhir. Untuk kod, sertakan fungsi sebenar dan tingkah laku yang dijangkakan; hasil boleh mencadangkan pelaksanaan, manakala aplikasi berasingan mesti menjalankan dan menyemaknya. Laporan menerbitkan varian keluarga terkuantisasi secara berasingan, jadi identiti 12B IT ini tidak sepatutnya digantikan secara senyap dengan titik semak terkuantisasi lain semasa merekodkan hasil.\n\nPembuat mengenal pasti batasan daripada liputan latihan, ketidaktepatan fakta, nuansa bahasa dan tugas terbuka yang kompleks. Google juga mengingatkan bahawa corak bahasa yang munasabah boleh menghasilkan jawapan yang terlepas kekangan dunia sebenar dalam kehidupan harian. Butiran visual kecil boleh hilang atau tersalah baca, dan input panjang masih memerlukan keutamaan yang jelas. Simpan halaman asal, semak label dan kuantiti yang diekstrak, serta sahkan sebarang teks yang diminta dalam bentuk kelihatan berstruktur sebelum menggunakannya sebagai data. Nilai model 12B IT yang tepat pada soalan dan bahasa yang mewakili kegunaan. Artifak akhir yang berguna menyatakan jawapan berasaskan sumber, penaakulan yang diperlukan untuk memahaminya dan ketidakpastian yang berbaki, tanpa menganggap penerangan terjana sebagai tindakan alat yang telah selesai atau carian pengetahuan secara langsung.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Explain an experiment to a learner\n\nExplain this class experiment to a 12-year-old in plain English. Two identical cups contain 200 ml of water at the same starting temperature. One is wrapped in wool; the other is uncovered. After 20 minutes the wrapped cup is warmer. Give the conclusion, what was controlled, and one improvement. Do not invent temperatures.Three short labelled parts: conclusion, controlled conditions and one practical improvement.The explanation distinguishes slowing heat loss from creating heat and preserves the given quantities without new measurements.google/gemma-3-12b-itGemma 3 12B IT ialah edisi Gemma 3 berasingan yang ditala untuk arahan bagi penjanaan teks dan pemahaman imej. Gunakannya untuk soalan dokumen, penerangan dan penulisan berbilang bahasa dengan konteks 128K yang dikongsi, sambil menyatakan dengan jelas titik semak 12B dan format perbualan asalnya.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemma 3 12B IT ialah model bahasa penglihatan bersaiz 12B daripada Google yang ditala untuk arahan. Model ini tergolong dalam keluarga Gemma 3, yang menggabungkan penjanaan teks dengan pemahaman imej dan latihan berbilang bahasa. Akhiran IT memilih titik semak yang mengikuti arahan, bukannya model pralatihan. Hasilnya ialah teks: penerangan, ringkasan, jawapan, draf atau kod yang diperoleh daripada bahan bertulis dan visual dalam permintaan.
Model 12B mempunyai konteks 128K token keluarga tersebut untuk input dan respons yang dijana. Output menggunakan bahagian yang berbaki selepas permintaan; kad model tidak memberikan tetingkap output 128K kedua yang bebas. Paparan imej asas dinormalkan kepada 896×896 dan setiap satunya diwakili oleh 256 token visual. Semasa menyediakan koleksi halaman, kekalkan pengecam halaman dan peruntukkan ruang untuk hasil. Tanyakan soalan khusus tentang kandungan yang berkaitan, daripada bergantung pada tetingkap besar untuk memilih isu yang betul secara automatik.
Pembuat melaporkan 12 trilion token pralatihan untuk saiz ini. Bahan latihan merangkumi dokumen web berbilang bahasa, kod, matematik dan imej, dengan liputan lebih daripada 140 bahasa dalam keluarga tersebut. Laporan menerangkan penyulingan pengetahuan dan kaedah penalaan arahan yang ditambah baik dengan pembelajaran pengukuhan. Peringkat tersebut menyasarkan kegunaan respons, penaakulan matematik dan kod, pematuhan arahan serta interaksi berbilang bahasa. Belanjawan latihan dan identiti titik semak yang berbeza sahaja tidak menentukan kualiti jawapan tertentu, jadi bandingkan output dengan tugas sumber.
Seni bina menggunakan transformer penyahkod sahaja dengan perhatian pertanyaan terkumpul dan corak berulang lima lapisan perhatian setempat bagi setiap satu lapisan global. Lapisan setempat menggunakan rentang 1,024 token, manakala perhatian global menyokong konteks yang lebih panjang. Pengekod penglihatan SigLIP yang dikongsi oleh model 4B, 12B dan 27B menukar imej kepada perwakilan yang digunakan oleh model bahasa. Pentoken SentencePiece mengekalkan ruang putih, memisahkan digit dan merangkumi pengekodan peringkat bait. Ini berkaitan apabila pemformatan kod, tatatanda berangka atau teks berbilang bahasa perlu dikekalkan.
Aliran kerja penglihatan turut merangkumi Pan and Scan: pemotongan adaptif yang tidak bertindih membantu mengekalkan kandungan daripada sumber lebar atau beresolusi tinggi sebelum setiap paparan memasuki pengekod beresolusi tetap. Paparan tambahan mengubah bahan yang diproses. Untuk dokumen teknikal, berikan halaman yang boleh dibaca dan, jika perlu, paparan jelas jadual atau rajah yang ditanyakan. Kekalkan takrif unit, simbol atau lajur di sekelilingnya supaya bacaan visual setempat tidak kehilangan maknanya.
Format prom asal IT menggunakan giliran pengguna dan model tanpa peranan sistem berasingan. Letakkan peranan yang dikehendaki, peraturan respons dan tugas dalam prom pengguna awal, menggunakan pemformat atau pemproses yang ditetapkan untuk perbualan sebenar. Permintaan analisis dokumen asal boleh membandingkan dua huraian prosedur, mengembalikan jadual keperluan yang sepadan dan mengenal pasti sebarang percanggahan. Labelkan sumber, nyatakan keperluan yang diberi keutamaan dan minta model memisahkan fakta yang dibekalkan daripada tafsirannya.
Kegunaan yang dimaksudkan dalam kad pembuat merangkumi peringkasan, bantuan perbualan, pengekstrakan data imej, penulisan dan pembelajaran. Untuk penerangan berbilang bahasa, berikan pembaca sasaran, istilah dan tahap perincian. Untuk soalan imej, kenal pasti objek atau hubungan yang hendak dibincangkan dan minta pemerhatian yang menyokong jawapan akhir. Untuk kod, sertakan fungsi sebenar dan tingkah laku yang dijangkakan; hasil boleh mencadangkan pelaksanaan, manakala aplikasi berasingan mesti menjalankan dan menyemaknya. Laporan menerbitkan varian keluarga terkuantisasi secara berasingan, jadi identiti 12B IT ini tidak sepatutnya digantikan secara senyap dengan titik semak terkuantisasi lain semasa merekodkan hasil.
Pembuat mengenal pasti batasan daripada liputan latihan, ketidaktepatan fakta, nuansa bahasa dan tugas terbuka yang kompleks. Google juga mengingatkan bahawa corak bahasa yang munasabah boleh menghasilkan jawapan yang terlepas kekangan dunia sebenar dalam kehidupan harian. Butiran visual kecil boleh hilang atau tersalah baca, dan input panjang masih memerlukan keutamaan yang jelas. Simpan halaman asal, semak label dan kuantiti yang diekstrak, serta sahkan sebarang teks yang diminta dalam bentuk kelihatan berstruktur sebelum menggunakannya sebagai data. Nilai model 12B IT yang tepat pada soalan dan bahasa yang mewakili kegunaan. Artifak akhir yang berguna menyatakan jawapan berasaskan sumber, penaakulan yang diperlukan untuk memahaminya dan ketidakpastian yang berbaki, tanpa menganggap penerangan terjana sebagai tindakan alat yang telah selesai atau carian pengetahuan secara langsung.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had google/gemma-3-12b-it | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0001 / 1K token Output · Token output $0.0003 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0001 / 1K token Output · Token output $0.0003 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-12b-it", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemma-3-12b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemma-3-12b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra google/gemma-3-12b-it
Gunakan laluan kaedah yang dipaparkan di atas.
google/gemma-3-12b-itGemma 3 12B IT ialah edisi Gemma 3 berasingan yang ditala untuk arahan bagi penjanaan teks dan pemahaman imej. Gunakannya untuk soalan dokumen, penerangan dan penulisan berbilang bahasa dengan konteks 128K yang dikongsi, sambil menyatakan dengan jelas titik semak 12B dan format perbualan asalnya.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemma 3 12B IT ialah model bahasa penglihatan bersaiz 12B daripada Google yang ditala untuk arahan. Model ini tergolong dalam keluarga Gemma 3, yang menggabungkan penjanaan teks dengan pemahaman imej dan latihan berbilang bahasa. Akhiran IT memilih titik semak yang mengikuti arahan, bukannya model pralatihan. Hasilnya ialah teks: penerangan, ringkasan, jawapan, draf atau kod yang diperoleh daripada bahan bertulis dan visual dalam permintaan.
Model 12B mempunyai konteks 128K token keluarga tersebut untuk input dan respons yang dijana. Output menggunakan bahagian yang berbaki selepas permintaan; kad model tidak memberikan tetingkap output 128K kedua yang bebas. Paparan imej asas dinormalkan kepada 896×896 dan setiap satunya diwakili oleh 256 token visual. Semasa menyediakan koleksi halaman, kekalkan pengecam halaman dan peruntukkan ruang untuk hasil. Tanyakan soalan khusus tentang kandungan yang berkaitan, daripada bergantung pada tetingkap besar untuk memilih isu yang betul secara automatik.
Pembuat melaporkan 12 trilion token pralatihan untuk saiz ini. Bahan latihan merangkumi dokumen web berbilang bahasa, kod, matematik dan imej, dengan liputan lebih daripada 140 bahasa dalam keluarga tersebut. Laporan menerangkan penyulingan pengetahuan dan kaedah penalaan arahan yang ditambah baik dengan pembelajaran pengukuhan. Peringkat tersebut menyasarkan kegunaan respons, penaakulan matematik dan kod, pematuhan arahan serta interaksi berbilang bahasa. Belanjawan latihan dan identiti titik semak yang berbeza sahaja tidak menentukan kualiti jawapan tertentu, jadi bandingkan output dengan tugas sumber.
Seni bina menggunakan transformer penyahkod sahaja dengan perhatian pertanyaan terkumpul dan corak berulang lima lapisan perhatian setempat bagi setiap satu lapisan global. Lapisan setempat menggunakan rentang 1,024 token, manakala perhatian global menyokong konteks yang lebih panjang. Pengekod penglihatan SigLIP yang dikongsi oleh model 4B, 12B dan 27B menukar imej kepada perwakilan yang digunakan oleh model bahasa. Pentoken SentencePiece mengekalkan ruang putih, memisahkan digit dan merangkumi pengekodan peringkat bait. Ini berkaitan apabila pemformatan kod, tatatanda berangka atau teks berbilang bahasa perlu dikekalkan.
Aliran kerja penglihatan turut merangkumi Pan and Scan: pemotongan adaptif yang tidak bertindih membantu mengekalkan kandungan daripada sumber lebar atau beresolusi tinggi sebelum setiap paparan memasuki pengekod beresolusi tetap. Paparan tambahan mengubah bahan yang diproses. Untuk dokumen teknikal, berikan halaman yang boleh dibaca dan, jika perlu, paparan jelas jadual atau rajah yang ditanyakan. Kekalkan takrif unit, simbol atau lajur di sekelilingnya supaya bacaan visual setempat tidak kehilangan maknanya.
Format prom asal IT menggunakan giliran pengguna dan model tanpa peranan sistem berasingan. Letakkan peranan yang dikehendaki, peraturan respons dan tugas dalam prom pengguna awal, menggunakan pemformat atau pemproses yang ditetapkan untuk perbualan sebenar. Permintaan analisis dokumen asal boleh membandingkan dua huraian prosedur, mengembalikan jadual keperluan yang sepadan dan mengenal pasti sebarang percanggahan. Labelkan sumber, nyatakan keperluan yang diberi keutamaan dan minta model memisahkan fakta yang dibekalkan daripada tafsirannya.
Kegunaan yang dimaksudkan dalam kad pembuat merangkumi peringkasan, bantuan perbualan, pengekstrakan data imej, penulisan dan pembelajaran. Untuk penerangan berbilang bahasa, berikan pembaca sasaran, istilah dan tahap perincian. Untuk soalan imej, kenal pasti objek atau hubungan yang hendak dibincangkan dan minta pemerhatian yang menyokong jawapan akhir. Untuk kod, sertakan fungsi sebenar dan tingkah laku yang dijangkakan; hasil boleh mencadangkan pelaksanaan, manakala aplikasi berasingan mesti menjalankan dan menyemaknya. Laporan menerbitkan varian keluarga terkuantisasi secara berasingan, jadi identiti 12B IT ini tidak sepatutnya digantikan secara senyap dengan titik semak terkuantisasi lain semasa merekodkan hasil.
Pembuat mengenal pasti batasan daripada liputan latihan, ketidaktepatan fakta, nuansa bahasa dan tugas terbuka yang kompleks. Google juga mengingatkan bahawa corak bahasa yang munasabah boleh menghasilkan jawapan yang terlepas kekangan dunia sebenar dalam kehidupan harian. Butiran visual kecil boleh hilang atau tersalah baca, dan input panjang masih memerlukan keutamaan yang jelas. Simpan halaman asal, semak label dan kuantiti yang diekstrak, serta sahkan sebarang teks yang diminta dalam bentuk kelihatan berstruktur sebelum menggunakannya sebagai data. Nilai model 12B IT yang tepat pada soalan dan bahasa yang mewakili kegunaan. Artifak akhir yang berguna menyatakan jawapan berasaskan sumber, penaakulan yang diperlukan untuk memahaminya dan ketidakpastian yang berbaki, tanpa menganggap penerangan terjana sebagai tindakan alat yang telah selesai atau carian pengetahuan secara langsung.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had google/gemma-3-12b-it | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0001 / 1K token Output · Token output $0.0003 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0001 / 1K token Output · Token output $0.0003 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "google/gemma-3-12b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-3-12b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-3-12b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra google/gemma-3-12b-it
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Explain an experiment to a learner\n\nExplain this class experiment to a 12-year-old in plain English. Two identical cups contain 200 ml of water at the same starting temperature. One is wrapped in wool; the other is uncovered. After 20 minutes the wrapped cup is warmer. Give the conclusion, what was controlled, and one improvement. Do not invent temperatures.Three short labelled parts: conclusion, controlled conditions and one practical improvement.The explanation distinguishes slowing heat loss from creating heat and preserves the given quantities without new measurements.